دانشمندان اتومبیل خودران را به هوش مصنوعی مجهز کردند؛ نتیجه چه بود؟

با وجود سال‌ها توسعه و صرف هزینه‌های بسیار سنگین برای آموزش سامانه‌های پیچیده هوش مصنوعی، خودروهای خودران همچنان در برابر موانعی نسبتاً ساده با مشکل مواجه می‌شوند.

این خودروها گاهی بدون دلیل مشخص وسط بزرگراه متوقف شده، با موانع ترافیکی برخورد می‌کنند، در برابر مسدودکننده‌های مسیرهای ساخت‌وساز سردرگم می‌گردند و حتی وارد آب‌های ناشی از سیلاب می‌شوند.

بر همین اساس، این پرسش مطرح شده که آیا مدل‌های پیشرفته هوش مصنوعی می‌توانند عملکرد بهتری داشته باشند یا خیر. سه دانشمند علوم رایانه برای آزمایشی تازه، چند مدل پیشرفته از جمله GPT-6 Astra شرکت OpenAI، مدل Grok 4.6 متعلق به xAI و Claude Fable 5.1 از Anthropic را در سامانه کنترلی یک Toyota Corolla قرار دادند تا ببینند آیا این مدل‌ها می‌توانند یک دور کامل از مسیری را که در پارکینگ طراحی شده بود طی کنند.

آزمایش DrivingBench چگونه انجام شد؟

ساختار پروژه‌ای که DrivingBench نام گرفت، نسبتاً ساده بود. یک لپ‌تاپ متصل به اینترنت با دستگاهی موسوم به Comma Four ارتباط داشت. این دستگاه نیز به سامانه‌های کنترلی Toyota متصل شده بود.

مدل‌های زبانی بزرگ، فرمان‌های لازم را بر اساس داده‌های تله‌متری GPS و اطلاعات مختلف خودرو، از جمله وضعیت فرمان و زاویه چرخ‌ها، برای لپ‌تاپ ارسال می‌کردند. دستگاه Comma Four این اطلاعات مربوط به وضعیت خودرو را دریافت می‌کرد و در اختیار سامانه قرار می‌داد.

نتایج نشان دادند که تنها یکی از مدل‌ها توانست مسیر را به‌طور کامل پشت سر بگذارد. GPT-6 Astra در دومین تلاش خود، طی پنج دقیقه یک دور کامل را به پایان رساند؛ سرعتی بسیار پایین که با توجه به طی شدن مسافتی کمتر از ۱۵۰ متر، حتی کندتر از حد انتظار بود.

عملکرد سایر مدل‌ها به‌مراتب ضعیف‌تر بود و بیشتر تلاش‌ها حتی از نخستین پیچ مسیر عبور نکردند. پژوهشگران توضیح دادند

مشکل اصلی در بسیاری از موارد به تشخیص محیط مربوط می‌شد؛ مدل نمی‌توانست به‌درستی تشخیص دهد مسیر عبور خودرو در کدام سمت ردیف مورب نخستین مخروط‌های مسیر قرار گرفته است.

Grok نیز پس از نخستین تلاش خود از مشکل دیداری خودرو سخن گفت

خودرو از چیزی که دوربین نشان می‌دهد، عریض‌تر است. مسیر مستقیم و مشخصی وجود نداشت و روبه‌رو یا به سمت گلدان، دیوار یا مخروط قرمز نزدیک می‌رفت.

با وجود این ناکامی‌ها، همین آزمایش یک دستاورد مهم برای تیم تحقیقاتی محسوب می‌شد؛ زیرا آن‌ها پس از چند تلاش ناموفق با نسل‌های قبلی مدل‌های پیشرفته هوش مصنوعی، برای نخستین بار توانستند یکی از این مدل‌ها را به حرکت واقعی یک خودرو وادار کنند.

پژوهشگران در جمع‌بندی آزمایش نوشتند

مدل‌های پیشرفته اکنون به سطحی رسیده‌اند که می‌توانند در دنیای واقعی و با سرعتی به‌اندازه کافی پایین، خودروهای واقعی را هدایت کنند. موفقیت مدل‌ها در این آزمون هم شگفت‌انگیز و هم هیجان‌انگیز بود، اما در عین حال ضرورت انجام تحقیقات بیشتر درباره ایمنی، هم‌راستاسازی و ارزیابی را نشان می‌دهد.

پژوهشگران اعلام کردند برای همان دور کاملی که خودرو موفق به اتمام آن شد، ۶.۶ میلیون توکن مصرف کردند و هزینه پردازش به ۷.۷۴ دلار رسید. این میزان نشان می‌دهد مدل هوش مصنوعی OpenAI برای تحلیل داده‌ها و تصمیم‌گیری، حتی هنگام حرکت بسیار آهسته خودرو، به توان محاسباتی قابل‌توجهی نیاز داشته است.

خودرو در این آزمایش با سرعت تنها حدود ۱.۵ کیلومتر بر ساعت حرکت می‌کرد و مسافت طی‌شده نیز کمتر از ۱۵۰ متر بود. با این حال، همین هزینه پردازشی ناچیز به نظر نمی‌رسد؛ زیرا وقتی مقدار مصرف توکن را نسبت به مسافت طی‌شده در نظر بگیریم، هزینه آن می‌تواند به‌سرعت افزایش پیدا کند.

بر اساس محاسبات نشریه The Register، هزینه توکن‌های مصرف‌شده تقریباً ۵۰۰ برابر هزینه سوخت خودرویی با مصرف ۲۵ مایل به ازای هر گالن و قیمت سوخت ۴.۶۰ دلار برای هر گالن بوده است.

حتی مدل‌ها درباره رانندگی هشدار دادند

نکته جالب دیگر این بود که برخی مدل‌های زبانی بزرگ خودشان به پژوهشگران هشدار دادند که ممکن است نتوانند خودروی Toyota را با ایمنی کافی هدایت کنند. در نتیجه، اعضای تیم مجبور شدند برای متقاعد کردن مدل‌ها جهت در دست گرفتن کنترل خودرو تلاش کنند.

در گزارش پژوهش آمده است

برخی مدل‌ها، به‌ویژه GPT-6 Astra، گاهی از هدایت خودروی واقعی خودداری می‌کردند و دلایل ایمنی را مطرح می‌ساختند؛ حتی زمانی که خودرو در یک محوطه کاملاً خالی قرار داشت و تمام تدابیر ایمنی موردنظر، از جمله محدودیت بسیار پایین سرعت و حضور یک انسان آماده فشردن ترمز، فراهم شده بود.

پژوهشگران همچنین روش‌های مختلفی را برای تغییر نحوه ارائه دستورها امتحان کردند تا مدل‌ها به‌طور پایدار کنترل خودرو را بپذیرند. آن‌ها حتی در برخی آزمایش‌ها تلاش کردند محیط واقعی را شبیه یک شبیه‌سازی معرفی کنند، اما مدل‌ها گاهی با مشاهده تصاویر واقعی متوجه ماهیت آزمایش می‌شدند و از ادامه کار خودداری می‌کردند.

تیم تحقیقاتی در گزارش خود نوشت

تغییرات زیادی در متن دستورها امتحان کردیم تا مدل‌ها را به رانندگی مداوم وادار کنیم؛ برای نمونه، تلاش کردیم محیط را شبیه یک شبیه‌سازی معرفی نماییم، اما در بعضی آزمایش‌ها مدل‌ها تصاویر واقعی را می‌دیدند، متوجه می‌شدند محیط واقعی است و واکنش اضطرابی نشان می‌دادند.

در نهایت، مدل‌های پیشرفته هوش مصنوعی که بدون تغییرات تخصصی و به‌صورت آماده مورد استفاده قرار می‌گیرند، هنوز فاصله زیادی با توانایی رساندن ایمن شما به محل کار دارند. با توجه به پیامدهای سنگین احتمالی یک خطای رانندگی، علاوه بر مسائل حقوقی و مسئولیت‌های قانونی، شاید ناتوانی فعلی این مدل‌ها برای کنترل خودرو در جاده‌های واقعی اتفاق چندان بدی هم نباشد.

برای ارزیابی پایداری، امنیت و نگهداری این زیرساخت، راهنمای پشتیبانی شبکه را نیز مطالعه کنید.